پیش بینی موفقیت توسعه محصول جدید با استفاده از ترکیب تحلیل عاملی و شبکه عصبی مصنوعی

Authors

غلامرضا سلطانی فسقندیس

دانشجوی دکتری مدیریت تحقیق در عملیات، پردیس بین الملل، دانشگاه فردوسی مشهد علیرضا پویا

دانشیار دانشکده علوم اداری و اقتصاد، گروه مدیریت دانشگاه فردوسی مشهد مصطفی کاظمی

استاد دانشکده علوم اداری و اقتصاد، گروه مدیریت دانشگاه فردوسی مشهد زهرا ناجی عظیمی

دانشیار دانشکده علوم اداری و اقتصاد، گروه مدیریت دانشگاه فردوسی مشهد

abstract

موفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت­ها و حتی بقای آنها محسوب می­شود. با این حال بررسی­های متعدد نشان می­دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت­ها مطرح بوده است. شرکت­های بسیاری سعی دارند تا قبل از توسعه محصول جدید، اقدام به پیش­بینی موفقیت توسعه محصول جدید نمایند. بر همین اساس نیز هدف این تحقیق پیش­بینی موفقیت توسعه محصول جدید با استفاده از ترکیب روش­های تحلیل عاملی و شبکه عصبی مصنوعی در صنایع غذایی و آشامیدنی می­باشد. این تحقیق براساس هدف کاربردی و براساس روش انجام کار توصیفی بوده است. جامعه آماری این تحقیق، شرکت­های تولید کننده مواد غذایی و آشامیدنی استان آذربایجان­شرقی در سال 1394 بوده است. به منظور جمع­آوری داده­ها در این تحقیق از دو پرسشنامه استفاده شده است که بعد از اطمینان از روایی و پایایی آن در بین جامعه آماری توزیع گردیده است. به منظور تجزیه و تحلیل داده­ها در این تحقیق از روش­های تحلیل عاملی و شبکه عصبی مصنوعی استفاده شده است. نتایج تجزیه و تحلیل داده­ها نشان دهنده وجود شش سازه اصلی مفهوم­سازی محصول جدید، گرایش به بازار، گرایش به طراحی، گرایش به عوامل فنی و تکنولوژی، استفاده از منابع و مدیریت توسعه محصول جدید به عنوان عوامل موثر در موفقیت توسعه محصول جدید بوده است. همچنین پیش­بینی موفقیت توسعه محصول جدید با استفاده از شبکه عصبی مصنوعی نشان می­دهد که شبکه طراحی شده در 81 درصد موارد قادر به پیش­بینی صحیح موفقیت توسعه محصول جدید بوده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی موفقیت توسعه محصول جدید با استفاده از ترکیب تحلیل عاملی و شبکه عصبی مصنوعی

موفقیت محصولات جدید به عنوان برترین عامل برای موفقیت شرکت­ها و حتی بقای آنها محسوب می­شود. با این حال بررسی­های متعدد نشان می­دهد که نرخ شکست توسعه محصول جدید به عنوان یک معضل اساسی در بسیاری از شرکت­ها مطرح بوده است. شرکت­های بسیاری سعی دارند تا قبل از توسعه محصول جدید، اقدام به پیش­بینی موفقیت توسعه محصول جدید نمایند. بر همین اساس نیز هدف این تحقیق پیش­بینی موفقیت توسعه محصول جدید با استفاده ...

full text

پیش بینی بارش ماهانه در منطقه ایران با استفاده از ترکیب شبکه های عصبی مصنوعی و فیلتر کالمن توسعه یافته

بارش باران یکی از مهم‌‌ترین پدیده‌های جوّی است که بر زندگی بشر اثر می‌گذارد. پیش‌بینی بارش باران برای اهداف مختلفی مانند برنامه‌ریزی فعالیت‌های کشاورزی، پیش‌<st...

full text

پیش بینی میزان موفقیت کارآفرینان روستایی شهرستان کرمانشاه با استفاده از تحلیل شبکه عصبی مصنوعی(ann)

افزایش نرخ بیکاری، سرمایه­بر بودن طرح­ها و ... موجب افزایش شکاف میان طبقات درآمدی و اشتغال کاذب شده است. چنین پیامدهای مخربی که ریشه در فقدان فرصت­های شغلی مناطق داشته است، موجب گردیده تا کشورهای در حال توسعه استراتژی­های جدیدی را با هدف رشد فرصت­های شغلی به صورت غیرمتمرکز به کار گیرند. در این راستا، استراتژی کارآفرینی، در جهت دستیابی به اهداف فوق، در بسیاری از کشورها مورد استفاده قرار گرفته اس...

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

پیش بینی تولید آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه عصبی مصنوعی

پیش­بینی پدیده­های اقتصادی ساختاری فراهم می­کند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیم‌های درست یاری ­دهد. هدف اصلی این مطالعه پیش­بینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روش­های سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده می­شود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار ...

full text

My Resources

Save resource for easier access later


Journal title:
مدیریت بهره وری

جلد ۱۰، شماره ۳۷، صفحات ۱۵۶-۱۲۷

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023